新能源汽車與智能網聯技術第3章

環境感知“十四五”時期國家重點出版物出版專項規劃項目新能源與智能網聯汽車新技術系列叢書中國機械工業教育協會“十四五”普通高等教育規劃教材課程負責人：靳文瑞譚理剛黃晉wrjin@本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.1智能汽車據公安部統計,截至2021年年底,我國汽車保有量達3.02億輛,超過美國穩居世界第一。全國汽車保有量超過百萬輛的城市數量達79個,機動車駕駛人數量達4.81億。同時我國近5年每年交通事故死亡人數均超過6萬人,仍是全球交通事故死亡人數最多的國家之一。隨著現代信息技術和汽車科技的蓬勃發展,智能汽車逐漸成為全球相關領域專家學者的關注焦點。智能汽車可以根據實時路況輔助甚至完全代替駕駛人完成主要的駕駛操縱,逐步成為解決交通安全問題的理想方案。圖片來自于網絡3.1智能汽車智能汽車通過攝像頭、激光雷達(LightDetectionAndRanging,LiDAR)和毫米波雷達(MillimeterWaveRadar)等車載傳感器獲得車輛周圍真實存在的環境信息,然后根據目的地的位置信息規劃出一條最佳的行駛路徑,通過控制車輛的行駛方向和速度,使車輛能夠按照預定路線安全可靠地行駛至終點。智能汽車最鮮明的特點是以自動駕駛代替了傳統的人工駕駛,從枯燥的駕駛環境中解放了人類的雙手,有效彌補了駕駛人的能力不足。《節能與新能源汽車技術路線圖》一書中智能網聯汽車(IntelligentandConnected

Vehicle,ICV)是指搭載先進的車載傳感器、控制器、執行器等裝置,并融合現代通信與網絡技術,實現車與X(車、路、人、云等)智能信息交換、共享,具備復雜環境感知、智能決策、協同控制等功能,可實現安全、高效、舒適、節能行駛,并最終實現替代人來操作的新一代汽車。定義3.1智能汽車在《智能汽車創新發展戰略》一文中智能汽車是指通過搭載先進傳感器等裝置,運用人工智能等新技術,具有自動駕駛功能,逐步成為智能移動空間和應用終端的新一代汽車。智能汽車通常又稱為智能網聯汽車、自動駕駛汽車等。根據汽車自動化程度的不同,智能汽車可以分成不同的等級。不同機構對智能汽車的等級劃分也不盡相同,美國國家高速公路交通安全管理局將智能汽車技術分成5個等級（L0~L4）。分級美國汽車工程師學會發布的J3016是另一種比較有代表性的分級標準,對智能汽車分級進行了細化的規定,將

L4級別細分為L4高度自動駕駛和L5完全自動駕駛兩個級別。我國對智能汽車的分級最早出現在《中國制造2025》重點領域技術路線圖中,其將智能網聯汽車分為輔助駕駛(DA)、部分自動駕駛(PA)、高度自動駕駛(HA)和完全自動駕駛(FA)4級。3.1智能汽車2020年3月,我國工業和信息化部頒布了國家標準GB/T40429—2021《汽車駕駛自動化分級》,這是我國智能汽車標準體系的基礎類標準之一。該標準按照由低到高的自動化等級將智能汽車分為應急輔助、部分駕駛輔助、組合駕駛輔助、有條件自動駕駛、高度自動駕駛和完全自動駕駛6個級別。表1汽車駕駛自動化分級標準3.1智能汽車架構圖1智能汽車系統架構智能汽車是一個高度智能化的復雜系統,其系統架構如圖1所示,它通過智能環境傳感設備實現環境感知,進而進行智能決策與智能集成控制。3.1智能汽車環境感知技術

利用視覺傳感器、毫米雷達、激光波雷達、超聲波雷達等各種傳感器對周圍環境進行數據采集與信息處理,以獲取當前行駛環境及本車的有關信息。環境感知技術可以為智能汽車提供道路交通環境、障礙物位置、動態目標運動狀態、交通信號標志、自身位置等一系列重要信息,是其他功能模塊的基礎,是實現輔助駕駛與自動駕駛的前提條件。為實現對智能汽車功能性與安全性的全面覆蓋,在感知層需要采用多傳感器數據融合技術。圖2多傳感器數據融合3.1智能汽車決策規劃技術決策規劃技術是智能汽車的控制中樞,相當于人類的大腦,其主要作用是依據感知層處理后的信息以及先驗地圖信息,在滿足交通規則、車輛動力學等車輛行駛約束的前提下,生成一條全局最優的車輛運動軌跡。決策規劃技術可以分為全局軌跡規劃、行駛行為決策和局部軌跡規劃3個部分。圖3決策規劃流程全局軌跡規劃在已知電子地圖、周圍路網以及宏觀交通信息等先驗信息的條件下,得到滿足起始點與目的地之間距離最短、時間最短或其他優化目標的最優路徑。行駛行為決策的作用是產生一系列的行駛行為來完成全局軌跡規劃,一般根據本車周圍道路、交通以及環境信息等動態地規劃車輛行駛行為。局部軌跡規劃的作用是根據行駛行為決策結果,綜合考慮影響車輛的各種性能指標在秒級周期內策劃出一條最優軌跡,包括局部路徑規劃和局部速度規劃兩個部分。3.1智能汽車集成控制技術集成控制技術主要通過控制車輛驅動、制動轉向、換檔等操作,對決策規劃層所得到的車輛最優軌跡進行路徑和速度跟隨,其本質是控制車輛的側向運動和縱向運動來減少車輛實際軌跡和期望軌跡之間的時間誤差和空間誤差。

圖4集成控制3.1智能汽車測試評價體系測試評價體系對提高智能汽車研發效率、健全技術標準和法律法規、推進產業創新發展至關重要。但智能汽車測試評價對象已從傳統的人、車二元獨立系統變為人-車-環境-任務強耦合系統，測試場景及測試任務難以窮盡,評價維度紛繁復雜,傳統汽車的測試評價體系已經不能滿足智能汽車測試需求。圖5所示為典型的智能汽車測試評價體系,場景數據在其中至關重要。圖5典型的智能汽車測試評價體系本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.2智能感知器感知技術通常分為兩大類:自主式環境感知技術和協同式環境感知技術。目前技術難點集中在自主式環境感知技術,利用視覺傳感器(攝像頭)、激光傳感器(激光雷達)以及通信系統感知周圍環境,識別周邊物體、規劃行駛路徑、檢測駕駛狀態,通過識別的信息實現自主避讓,協助駕駛人安全駕駛或完成自動駕駛,提高人們行駛的安全性和乘坐的舒適性,減少環境擁堵,降低燃油消耗率,降低環境污染。智能汽車系統的環境感知通常需要獲取大量信息。目前智能汽車主流的信息收集、處理的感知傳感器包括視覺傳感器、毫米波雷達、激光雷達、超聲波雷達等。3.2智能感知器視覺傳感器視覺傳感器———攝像頭因其具有可識別整個視野范圍內的像素和顏色、分辨率高、“幀速率”恒定,兩臺攝像頭便能同時生成三維立體視圖,且其技術成熟、費用低以及圖像質量高等優點,廣泛應用在智能駕駛車輛環境感知系統中。智能駕駛車輛對攝像頭識別出的環境信息,進行技術處理區分障礙物的類別,實現人類的“眼睛”的功能,在汽車領域具有較高的應用前景,相對技術發展迅速且具有較高的研究價值。如特斯拉智能汽車的自主輔助駕駛技術,以攝像頭為其主要感知傳感器。機器視覺感知系統是指智能汽車利用攝像頭拍攝車外環境,根據搜集到的信息得到反映真實道路的圖像數據,然后綜合運用各種道路檢測算法,提取出車道線、道路邊界以及車輛方位信息,判斷汽車是否有駛出車道的危險。3.2智能感知器毫米波雷達毫米波雷達具有全天候、全天時的工作特性,且探測距離遠、精度高,被廣泛應用于車載距離探測,如自適應巡航、碰撞預警、盲區探測、自動緊急制動等。毫米波雷達的工作原理是向道路周圍輻射毫米波信號,通過對比發射信號與接收信號之間的差別來實現目標距離、速度、角度等信息的檢測。毫米波是電磁波,雷達通過發射無線電信號并接收反射信號來測定車輛與物體間的距離,其頻率通常介于10~300GHz之間。圖6汽車毫米波雷達的發展歷程3.2智能感知器與24GHz毫米波雷達相比,77GHz毫米波雷達的距離分辨率更高,體積縮小1/3。77GHz毫米波雷達在探測精度與距離上均優于24GHz毫米波雷達,主要裝配在車輛的前保險杠上,用來探測與前車的距離以及前車的速度,主要實現緊急制動、自適應巡航、前向碰撞預警等主動安全領域的功能。當今使用的毫米波頻段有:24GHz、77GHz、79GHz。毫米波雷達的測距和測速原理都是基于多普勒效應。與紅外、激光、電視等光學導引頭相比,毫米波導引頭穿透霧、煙、灰塵的能力強,其抗干擾性能也優于其他微波導引頭。車載毫米波雷達頻率主要分為24GHz頻段和77GHz頻段。毫米波雷達因其硬件體積較小且不受惡劣天氣影響,被廣泛應用于高級駕駛輔助系統。毫米波雷達目前大量應用于汽車的盲點監測、變道輔助、車道偏離預警、車道保持輔助、泊車輔助等。3.2智能感知器激光雷達激光雷達是一種光學遙感技術,可以精確、快速獲取地面或大氣三維空間信息的主動探測技術,用于測量物體距離和表面形狀,其測量精度可達厘米級,其應用范圍和發展前景十分廣闊。激光雷達由發射系統、接收系統、信息處理3部分組成。

激光器將電脈沖變成光脈沖發射出去,光接收機再把從目標反射回來的光脈沖還原成電脈沖,最后經過一系列算法來得出目標位置(距離和角度)、運動狀態(速度、振動和姿態)和形狀,可以探測、識別、分辨和跟蹤目標。激光雷達具有解析度高、測距精度高、抗有源干擾能力強、探測性能好、獲取的信息量豐富、不受光線影響以及測速范圍大等優點。激光雷達在智能網聯汽車中有多種應用,主要有面向高精地圖的繪制、基于點云的定位以及障礙物檢測等。3.2智能感知器激光雷達還可以聯合全球導航衛星系統(GlobalNavigationSateliteSystem,GNSS)/慣性測量單元(InertialMeasurementUnit,IMU)與高精度地圖等手段進行加強定位,一方面通過GNSS得到初始位置信息,再通過IMU和車輛的編碼器(Encoder)配合得到車輛的初始位置;另一方面,將激光雷達的3D點云數據包括幾何信息和語義信息進行特征提取,并結合車輛初始位置進行空間變化,獲取基于全局坐標系下的矢量特征。在智能網聯汽車的行駛過程中,激光雷達同時以一定的角速度勻速轉動,并在轉動過程中不斷發出激光并收集反射點信息,以便得到全方位的環境信息。3.2智能感知器超聲波雷達超聲波雷達(UltraSonicRadar)的工作原理是通過超聲波發射裝置向外發出超聲波,通過接收器接收到超聲波的時間來測算距離。超聲波雷達常用探頭的工作頻率有40kHz、48kHz和58kHz。一般來說,頻率越高,靈敏度越高,但水平與垂直方向的探測角度越小,故一般采用40kHz的探頭。超聲波雷達防水、防塵,即使有少量的泥沙遮擋也不影響其工作。它的探測范圍在0.1~3m,而且精度較高,因此非常適合應用于泊車。車載超聲波雷達一般安裝在汽車的保險杠上方,隱藏在保險杠的某個位置。常見的超聲波雷達有兩種:第一種是安裝在汽車前后保險杠上的倒車雷達,稱為超聲波駐車輔助傳感器;第二種安裝在汽車側面,稱為自動泊車輔助傳感器。3.2智能感知器超聲波雷達的不足之處有：超聲波的傳輸速度很容易受天氣情況的影響,尤其是超聲波有較強的溫度敏感性,在不同的溫度下,傳輸速度不同。超聲波傳播速度與環境溫度T近似成正相關關系。因此相對位置相同的障礙物,在不同溫度的場景下,測量的距離數據不同。對傳感器精度要求極高的智能網聯系統來說,有必要將溫度信息引入智能網聯系統,從而提升超聲波雷達的測量精度。由于相比于光與電磁波,超聲波的傳播速度較慢,當汽車高速行駛時,超聲波測距無法跟上汽車的車距實時變化。因此超聲波雷達在速度很高的情況下測距離,誤差較大。超聲波散射角大、方向性較差,在測量較遠距離的目標時,其回波信號會比較弱,影響測量精度。但是在短距離測量中,超聲波測距傳感器具有非常大的優勢。3.2智能感知器幾種感知傳感器優缺點對比表2幾種感知傳感器優缺點對比本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.3車道線感知識別霍夫變換霍夫變換(Houghtransform)由保羅·霍夫(PaulHough)于1962年提出,目的是找到帶有噪聲的圖片中的直線。其基本原理是建立映射:直線參數方程xcosθ0+ysinθ0=ρ0,對應霍夫空間一個點(ρ0,θ0)。如下圖：圖7霍夫變換參數空間轉化3.3車道線感知識別對于任意Oxy坐標系下的點,將經過此點的所有直線都對應到霍夫空間,每條直線都將對應到一個點,因此可得到一條曲線。Oxy坐標系下的一組點,將在霍夫空間內得到數條曲線,若這些點在Oxy坐標系下共線,那么這些霍夫空間內的曲線就交于一點,如下圖所示。圖8多個數據點在霍夫空間中的投票示例3.3車道線感知識別具體操作步驟如下:1)將特征提取中得到的像素點都通過此方法轉移到霍夫空間中,得到大量曲線。2)對這些曲線進行投票,多條曲線相交處的參數(ρ0,θ0)即為直線方程參數。車道線感知車道線檢測算法模型有直線模型與曲線模型。一般近視場的車道線用直線模型檢測的效果較好；而在彎道工況下采用直線模型的檢測算法不如曲線模型的擬合效果好。因此采用直線和雙曲線的混合模型的車道線檢測方法是一種比較好的算法,結合了直線模型和雙曲線模型的優點,使其無論在近視場還是在彎道工況下都能取得較好的擬合效果。3.3車道線感知識別圖9車道線檢測算法流程雙曲線模型算法模型直線模型算法模型3.3車道線感知識別圖像處理采用Python語言環境,主要利用OpenCV庫強大的圖像處理工具以及內置的霍夫變換工具實現。由霍夫變換原理可知,需要將收集的圖像處理成只含有大量的車道線上的點的圖像,才可以很好地識別出車道線。在圖像處理方面,首先對收集的圖像進行灰度化、模糊化,并采用了OpenCV內置的Canny算子進行邊緣檢測,提取出圖像的邊緣點集。該算法模型僅適用于近視場車道線檢測,因此在輸入霍夫變換工具接口的圖像還需要將近視場可能出現車道線的區域進行提取作為感興趣區域(RegionofInterest,ROI)。最后將選定的ROI輸入霍夫變換工具接口即可實現車道線的檢測。3.3車道線感知識別原圖像識別后圖10識別效果本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.4YOLO算法識別路況信息YOLO(YouLookOnlyOnce)算法是一種利用卷積神經網絡(ConvolutionalNeural

Networks,CNN)的圖像識別目標檢測算法。卷積神經網絡是一類包含卷積計算且具有深度結構的前饋神經網絡(Feedforward

NeuralNetworks),是深度學習(DeepLearning)的代表算法之一。卷積神經網絡具有表征學習能力,能夠按其階層結構對輸入信息進行平移不變分類,因此也被稱為“平移不變人工神經網絡(Shift-InvariantArtificialNeuralNetworks,SIANN)”。卷積神經網絡原理卷積神經網絡是一種深度學習算法,它需要大量的訓練集才能擬合出較好的權重結果。一般而言,卷積神經網絡的模型分為輸入層、卷積層、池化層以及全連接層等多個部分。3.4YOLO算法識別路況信息卷積神經網絡的結構輸入層即輸入至卷積神經網絡的數據層。通常輸入計算機中的圖像是一個長×寬×n的矩陣,其中n代表圖像每個像素點的n維信息,這里采用的是每個像素點的H(色調)、S(飽和度)、V(明度)三維信息。卷積層是卷積神經網絡比較核心的地方,是擬合權重的結構。卷積神經網絡擬合結果的權重稱為卷積核,卷積核能起到識別輸入層或激活圖像中特征圖像的作用。

池化層一般出現在卷積層之后,其目的是降維壓縮,加快運算速度,除此之外,它能保留主要特征的同時減少參數和計算量,起到防止過擬合的作用。全連接層是每一個結點都與上一層的所有結點相連,用來把前邊提取到的特征綜合起來,根據不同的用途,輸出為想要的結果。3.4YOLO算法識別路況信息YOLOv2算法識別YOLO用整個圖片的特征來預測每一個邊界框。它還同時預測一個圖像在所有類中的所有邊界框。YOLO先把整個圖片劃分成S×S個方格,如果一個物體的中心正好落在一個方格中,那么這個方格就負責來預測物體。圖11YOLOv2算法識別效果本章內容3.1智能汽車3.2感知傳感器3.3車道線感知識別3.4YOLO算法識別路況信息3.5多傳感器數據融合3.5多傳感器數據融合多傳感器數據融合是20世紀80年代出現的一門新興學科,它是將不同傳感器對某一目標或環境特征描述的信息,綜合成統一的特征表達信息的過程。數據融合需要借助融合算法,融合算法可分為隨機類和人工智能類兩大類,隨機類多傳感器數據融合方法主要有:貝葉斯推理、D-S證據理論、最大似然估計、綜合平均法、最優估計、卡爾曼濾波、魯棒估計等估計理論。從最小二乘法入手,主要闡釋卡爾曼濾波方